398736_ko-KR

liliconcom

Biopharmaceuticals의 새로운 개척지: JMP에서 유전자/세포 치료를 위한 환자/공여자 가변성 모델링(2021-US-30MP-887)

레벨: 중급

 

Andrew Karl, 수석 경영 컨설턴트, Adsurgo, LLC

Heath Rushing, 수석 컨설턴트, Adsurgo, LLC

 

바이오 의약품에서 가장 새롭고 혁신적이며 유망한 치료제는 유전자 및 세포 치료제입니다. 유전자 요법은 환자의 기존 유전자를 수정하는 반면, 세포 요법은 인간 세포를 환자에게 전달하여 질병을 치료합니다. 이 세포는 환자 자신이나 건강한(세포) 기증자에게서 얻습니다. 미국에서 승인된 첫 번째 치료법은 2017년 Kymriah였습니다. 그 이후로 환자 치료에 대한 이러한 새로운 접근 방식을 모색하는 수많은 회사가 있었습니다. 규제 승인의 주요 장벽 중 하나는 환자의 요구(효능과 안전성 모두)를 일관되게 충족하는 프로세스의 개발입니다. 한 가지 분명한 과제는 변동성의 큰 부분을 설명할 수 있는(그리고 일반적으로) 환자 간 또는 기증자 간 변동성을 모델링하는 것입니다.

이 강연은 중요한 연구 질문에 답하기 위해 JMP에서 기증자 간 변동성을 모델링하는 다양한 방법에 초점을 맞추고 있습니다. 능력. 고정 블록 효과로 도너를 모델링하는 것의 의미를 설명한 후 저자는 먼저 JMP에서 모델링 및 시뮬레이션 기능을 제시한 다음 JMP Pro에서 추가 기능을 제시함으로써 무작위 효과로 도너 모델링의 이점을 제시합니다.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
히스 러싱	홍해를 달리는 모든 사람들.
	고삐.
로빈 고프리	응.
	제가 좀 집착할 수도 있어요.
	안녕 어떻게 지내?
히스 러싱	좋아 좋아, 이제까지야.
로빈 고프리	당신을 위해 좋은, 오.
히스 러싱	그래 그래.
로빈 고프리	오 좋아 오.
	여기에서 내 체크리스트를 확인하여 내가 제대로 하고 있는지 확인하십시오.
	녹음을 하려고 합니다. 녹음이 제대로 되었는지 알 수 있습니다.
	나는.
	당신의 마이크는 당신의 말을 들을 수 있도록 약간 말을 합니다.
히스 러싱	안녕하세요 캐스트 123입니다.
로빈 고프리	퍼센트.
	반품.
로빈 고프리	모든 것이 휴대전화와 컴퓨터의 모든 것을 무음으로 만듭니다.
히스 러싱	예, Andrew Andrew가 이에 동참할 것입니다.
	그것이 한 가지입니다. 그래서 그것이 어떻게 작동했는지 확실하지 않습니다. 나는 그것이 일종의 포스터를 스스로 만들었습니다. 그래서 올해 우리가 할 일은 그가 할 특정 지점이 있다는 것입니다.
	화면을 가져 가라.
로빈 고프리	괜찮아.
히스 러싱	그래서 우리는 나를 위해 그에게 갈 것이지만, 우리는 앞뒤를 바꾸지 않을 것입니다.
	내가 의미하는 바를 알고 있는 것들을 혼동하지 않기 위해.
로빈 고프리	좋아, 지난번에 나는 그들이 그것을 좋아하는지 확인하기 위해 녹음을 시작했기 때문에 나 자신을 끄는 것을 잊었다.
히스 러싱	플로리다.
	플로리다 플로리다는 해변에 바로 삽니다.
로빈 고프리	좋아 좋아.
히스 러싱	네 네.
	lanta Colorado. 그래서 나는 9월에 그곳으로 돌아와 땅에서 놀게 될 것입니다.
로빈 고프리	오 니스.
	응.
히스 러싱	응.
로빈 고프리	나는 습기와 지독한 더위에 지친 지금 아무 것도 없는 쿨러에 있었습니다.
히스 러싱	노스 캐롤라이나 해안 근처에 사는 곳 맞습니다.
로빈 고프리	내륙으로 약 4마일 떨어진 곳에 파리가 있습니다.
	괜찮아.
로빈 고프리	네, 저는 케이프 공포 강과 그 다음 강에 정말 가깝습니다.
	응.
로빈 고프리	그래서 강이 있고 그 다음 길 바로 아래에 눈 하늘이라는 영화가 있습니다. 그것은 강에서 수로까지 절단된 것과 같습니다.
	네, 이제 정말 많은 사람들과 아주 가까이 있습니다.
	물이지만 해변 접근이나 그와 같은 것이 아닙니다.
	네, 연안 수로를 기억하지만 바다는 조금 더 멀리 떨어져 있습니다.
	하지만 오늘 아침에 해변에서 뛰었으니 여기에서 사는 것이 좋은 점은 할 수 있다는 것입니다.
	아침에 교통량이 많지 않으면 해변으로 갈 수 있고 비가 내리고 있습니다. 그리고 우리는 아름다운 일출을 보았습니다.
	그러니 망막에 비가 내리는 것을 멈추세요.
	니스입니다.
히스 러싱	예, 저는 제가 살고 있는 해변가 끝자락에 살고 있습니다. 그래서 10마일은 그냥 국영 해변입니다.
	10마일은 아무것도 아닙니다.
	그래서 거기에 거기에 자전거가 있습니다.
	자전거 도로.
	네, 그래서 약 3마일의 자전거 도로가 있고 7마일은 자전거 도로가 있습니다. 바로 바까지입니다.
	멋진.
로빈 고프리	펜실베니아.
히스 러싱	윌 비치 비치 네.
로빈 고프리	우리는 데스틴에 있었다.
	크리스마스 때.
	응.
로빈 고프리	예, 전체 38에서 그 지역과 같습니다.
히스 러싱	1년 된 좋은 지역.
	오 예.
로빈 고프리	자, 앤드류를 기다려야 합니다.
히스 러싱	당신은 좋은가요, 아니, 아니, 아니, 우리는 확실히 그를 기다릴 것입니다
로빈 고프리	알았어.
히스 러싱	알겠습니다.
	나에게 메시지를 보내 기다려.
	씨.
	방금 메시지를 보냈다면.
	유전자 치료를 소개하는 슬라이드 몇 장으로 첫 번째 부분을 할 것입니다.
	그런 다음 나는 과학자와 Andrew처럼 플레이할 것이라고 말하겠습니다. 방금 데이터 세트를 보냈고 도움이 필요합니다. 그 다음 그와 대화를 한 다음 그가 데이터 세트를 가져갈 것입니다. 존과 함께 그렇게.
	나는 그것이 이것을 하는 좋은 방법이라고 생각했다.
	그리고 실제로 우리는 on과 같은 상호 작용을 알아냅니다.
	월요일
	알다시피, 우리는 우리가 하려고 하는 곳에서 이런 일을 겪었고, 그때 저는 그랬습니다. 하지만 우리는 이것을 알아내려고 했던 것과 상호작용할 방법이 필요합니다.
로빈 고프리	저와 롭, 그리고 동료 테드와 같은 사람들이 필요합니다.
	모든 비디오와 그것은 꽤 코믹합니다.
히스 러싱	우리는 항상 그렇게 하려고 노력했습니다.
	나는 약간의 뜨거운 물을 지원하지만 우리는 항상 거기에 무언가를 던지려고 노력합니다.
	재미있기 때문입니다.
	특히 화면 오른쪽에 있는 경우 1분 동안 게임을 하며 대화를 나누세요.
	네, 얘기 좀 해주시겠습니까?
로빈 고프리	우리는 우리가 시나리오처럼 그것을했습니다.
	사람들은 제조 환경과 같은 생산 환경을 좋아합니다.
	예, 그래서 우리는 컨설턴트를 고용하여 알고 있는 응용 프로그램을 만들기로 결정한 관리자의 시나리오를 좋아했습니다.
	그런 다음 컨설턴트는 떠나고 봉인이 제대로 제조되고 실패하고 컨설턴트가 사라지고 코드가 작동하지 않는다는 것을 알도록 하려고 합니다.
	그래서 그것은 그들이 JMP 경로를 택했다면 그들이 당신에게 알 수 있었던 것과 같습니다. 그리고 우리가 방금 4개의 r의 재현성 견고성에 대해 이야기했다는 것을 알고 있습니다.
	우리는 세 가지 다른 시나리오와 같이 만든 것에 집중했습니다. 그래서 우리는 이것을 데이터에 대한 도박이라고 부르고, 그래서 우리는 이 모든 것을 도박 테마처럼 했습니다.
	걷고, 하지만 마지막에 가장 좋은 부분은 Kenny Rogers처럼 노래를 부르고 있고, 우리가 이 비디오를 하는 모습과 똑같기 때문입니다.
	아웃 테이크는 항상 가장 재미있는 부분입니다. 그래서 rob은 Kenny Rogers와 같은 모든 아웃 테이크를 마지막에 같은 도박꾼으로 만들었습니다. 그는 정말 재미있는 이러한 크레딧을 좋아하므로 라이브로 시작합니다.
	하지만 정말 재미있었습니다. 프로젝트 관리자나 엔지니어와 같은 다른 역할을 하게 될 것입니다. 다른 시나리오와 프로덕션, 환경, 그리고 그들이 어떻게 할 수 있었는지 더 나은.
	그들이 있었다면 예.
히스 러싱	네 네.
로빈 고프리	그런 다음 일종의 데모를 도용하면 프로파일러를 사용하여 수행하는 다양한 작업을 알 수 있습니다. 그게 제가 말할 수 있는 전부입니다.
히스 러싱	우리는 슬라이드를 많이 하는 것을 좋아하지 않습니다.
	그러나 우리는 누가 우리와 합류했는지 볼 것입니다.
	우리와 함께 할 시간을보십시오.
	이봐, 앤드류.
앤드류 칼	헤이 실행.
히스 러싱	당신의 초기 너무.
앤드류 칼	그래, 나는 4분 일찍 로프가 좋다.
	응.
로빈 고프리	그래서 그는 당신의 카메라와 같은 당신의 작은 사람입니다.
히스 러싱	안녕 내 이름.
로빈 고프리	네, 좀 더 지켜봐야 할 것 같습니다.
	하는 형.
앤드류 칼	나는 그것을 원하지 않는다.
히스 러싱	나도 아니야 나도 아니야 내 얼굴이 무슨 뜻인지도 몰라.
로빈 고프리	턱 바로 아래처럼.
히스 러싱	나는 항상 어제처럼 가기로 결정했습니다. 매년 피부과 약속을 찾아 거기에서 당신이 물건의 먼지도 알고 있으므로 볼 수 있습니다.
	그 빨간 반점 예 예 내 말은 항상 내가 쉬는 날에 대해 생각조차 하지 않은 것과 같습니다. 자주 그리고 실제로 어떻게 했는지 알 수 있습니다.
	그것의 큰 부분은 내가 프레젠테이션과 함께 무엇이든 해야 하는 경우를 대비해서였습니다. 그러면 당신은 정원에 몇 가지를 갑니다.
로빈 고프리	아무 것도 할 수없는 큰 슬롯.
히스 러싱	네 꽤 많이.
	네 네.
	응.
로빈 고프리	알겠습니다. 카메라를 끄겠습니다.
	그리고 추구해야 합니다.
	여기에서 나 자신을 잃어 버리십시오.
히스 러싱	이봐, 그래서 Andrew가 한 번만 말하자. 내가 할 과학자 역할을 하겠다. 슬라이드의 첫 부분을 말하겠다.
	이봐, 나는 과학자 역할을 할 거고, 그래서 당신은 Andrew 역할을 하고 있다는 걸 알잖아. 난 진짜 과학자 데이터를 연기하고 있어.
	그리고 나서 저는 Andrew라고 말하고 저는 OK라고 말할 것입니다. 이제 시작하겠습니다. Andrew 저는 방금 데이터 세트를 두 개의 응답 또는 누군가의 능력과 부산물로 보냈습니다.
	당신은 그것을 얻었습니까? 그리고 나서 당신은 거기에서 가십시오. 그래서 내가 그런 종류의 것을 말할 때마다 당신은 그들이 말하는 것을 보는 화면을 공유하기 시작할 수 있다는 것입니다.
앤드류 칼	네 알았어요.
로빈 고프리	Andrew가 여기 있기를 원하십니까?
	동시에 그는 자신을 숨길 수 있습니다.
	그가 나타날 준비가 될 때까지.
히스 러싱	예, 우리는 같은 시간에 있을 수 있습니다.
로빈 고프리	좋아, 그는 지금 한쪽이 파괴된 듀얼 스크린과 같은 것입니다.
히스 러싱	그래 그래 나.
	우리가 시작할 때마다 우리가 시작할 때마다 내가 멈출 것입니다 당신은 우리의 못생긴 머그 만 볼 수 있으므로 내 화면을 공유 한 다음 우리는 이제 세 가지를 공유 할 것처럼 이야기하지 않는 데 집중할 것입니다. 주제를 소개하기 위해 몇 가지 슬라이드를 만들겠습니다.
	그리고 나서 주제를 소개하는 데 그리 오랜 시간이 걸리지 않을 것입니다. 그런 다음 우리가 할 일은 제가 잘 모르겠습니다. 소개를 하거나 자기소개를 하고 싶은지, 그 일을 들었습니다.
로빈 고프리	너희들.
	나는 당신이 발견하는 것이 맞다면 당신처럼 당신이 알고있는 약간의 소개를하는 것처럼 할 것입니다.
	좋아, 그들은 내가 하는 것을 원하지 않는다 그들은 내가 두 가지 모두에 있는 것을 원하지 않는다.
	그래서 여러분은 새 이메일이 팝업되거나 이와 유사한 것과 같이 컴퓨터에 모든 것이 숨겨져 있습니다.
히스 러싱	응.
	그건 틀렸어 난 그게 아니야.
	소리를 냈다.
로빈 고프리	알겠습니다. 그래서 저는 제 카메라를 음소거로 끈 다음 여러분에게 허락할 것입니다.
	시작하세요. 제가 방해하겠습니다. 다시 시작해야 하는 경우 저에게 맡겨주세요.
히스 러싱	당신은 언제 우리가 갈 거라고 말할 때 우리에게 말하는 데 익숙하다는 것을 알아요. 소개를 받겠습니다.
	내가 할 일은 내 화면을 공유하기 시작하는 것입니다.
로빈 고프리	잘 들리네요.
	가라고 한 후 5초 정도 시간을 주세요.
	내 개가보고 있습니다.
	모두들 스스로 음소거를 하고 녹음을 시작합니다. 그래서 저는 지금 바로 가서 더 나쁜 짓을 시작하겠습니다. 5초만 시간을 주세요.
	괜찮아.
히스 러싱	좋아요, 좋은 아침입니다. 그래서 오늘 아침 Andrew Karl과 저는 세포 및 유전자 치료법을 실제로 살펴보고 있는 생물약제학에서의 응용에 대해 이야기할 것입니다. 치료법을 만드는 매우 독특한 방법입니다.
	내 배경에 대해 조금. 제가 몇 마디 말하고 앤드류가 그의 배경에 대해 몇 마디 하도록 하겠습니다. 저는 군대에 있었습니다. 결국 대학 교수가 되어 응용 통계와 DOE를 가르쳤습니다. 그러다가 바이오파마에 취직해서 작은 생명공학회사에 취직했다.
	Applied Molecular Genetics 또는 Amgen이라고 불리는 회사는 제조에서 일한 다음 R&D에서 일했습니다.
	몇 년 동안 교육 관리자로 취직한 후 SAS의 컨설턴트가 되었습니다.
	그리고 실제로 우리가 하는 일은 제약, 의료 기기의 바이오 제약에 집중하고 많은 교육과 컨설팅을 하고 우리가 얻을 수 있는 많은 고유한 문제를 해결하여 가치를 창출하는 것입니다. 회사. 앤드류, 몇 마디 할래요?
앤드류 칼	네, 제 이름은 Andrew Karl이고 통계학 박사 학위를 받고 Arizona State를 떠난 직후인 2012년에 Heath에서 일하기 시작했습니다.
	저는 그곳에서 Heath, Jim Wisnowski와 함께 온갖 흥미로운 일을 하고 있습니다. 그리고 최근에는 많은 제약 응용 프로그램,
	공식 개발에서 공정 특성화에 이르는 모든 것, 그리고 그 사이에 있는 모든 것, 그래서 저는 오늘 Heath와 함께 여기에서 우리의 응용 프로그램에 대해 이야기하게 되어 매우 기쁩니다.
히스 러싱	자, 시작하겠습니다. 바로 화면을 공유하겠습니다.
	그리고
	슬라이드가 몇 개 있는데 하기 싫어요...싫어요
	JMP 프레젠테이션의 슬라이드에 중점을 두지만 제가 하고자 하는 일은 주제를 소개하는 것입니다. 이 주제는 압축된 매우 독특한 응용 프로그램입니다. 우리는 오늘 이야기할 것입니다.
	흥미로운 걸 알잖아, 우리가 해냈어, 아마 이 초록을 다시 썼을 거야
	4월초에 봤는데 innovate에 글이 올라왔네요??? 너무 좋아, 그래서
	아무도 우리가 기사를 복사했다고 생각하지 않도록 하고 싶습니다. 하지만 실제로 우리가 하고 있는 것은 여러분이 모델링하는 방법을 알고 있다는 것입니다.
	환자/기증자의 가변성이 무엇인지는 생물제약의 매우 독특한 응용 분야에서 기증자/기증자의 가변성을 고려하는 방법이 무엇인지 알 수 있습니다.
	그리고 우리는 유전자와 세포 치료에 대해 이야기할 것입니다. 알겠습니다. 그래서 우리가 할 첫 번째 일은 이것이 왜 새로운 개척지인지에 대해 이야기하는 것입니다.
	맞습니다. 그리고 우리는 유전자와 세포 치료법이 무엇인지에 대해 조금 이야기하고 그 두 가지의 차이점에 대해 알아볼 것입니다.
	그리고 이것의 초점은 우리가 기증자 간 변동성을 어떻게 모델링하는가 하는 것입니다. 그렇죠? 고정 효과, 무작위 효과로 취급합니까?
	그리고 우리가 관심을 가질만한 아주 특별한 응용 프로그램은 무엇입니까? 그리고 먼저, 제가 이것이 새로운 개척지라고 말할 때마다 그것은 매우 혁신적이고 매우 유망합니다. 현재 10개 미만이 있습니다.
	시장에 있는 그런 종류의 치료법, 유전자 및 세포 치료법. 그러나 현재 파이프라인에 있는 것이 1,000개가 넘습니다. 알겠습니다.
	그리고 여러분이 보게 될 것은 이러한 유전자 및 세포 요법에 대해 매우 독특한 도전이 있다는 것입니다. 좋습니다. 치료하는 매우 혁신적인 방법입니다
	질병, 특히 희귀 질병과 매우 독특한 문제가 있습니다. 물론 하나는 우리가 어떻게 ... 그것이 효과가 있는지 확인하는 방법입니다. 그리고 그것이 안전한지 어떻게 확인합니까?
	좋아요, 다른 하나는 정말, 우리가 다루려고 하는 것입니다. 그래서 우리가 기증자 간 변동성을 다루는 방법은 무엇입니까?
	환자 간 변동성을 의미하지만 우리는 기증자 간 변동성에 초점을 맞추고 싶습니다. 맞습니다.
	이제 유전자 및 세포 요법에 대해 이야기해 보겠습니다. 그래서...무엇이...유전자 요법이란 무엇입니까? 잘,
	많은 분들이 아시다시피, 암과 같은 많은 질병은 실제로 결함이 있는 유전자를 가지고 태어 났거나 어떤 종류의 유전자가 시간이 지남에 따라 돌연변이를 일으켜서 발생합니다.
	그래서 이것을 치료하는 매우 독특한 방법입니다. 하나는 유전자 치료가 맞습니다. 유전자 치료에서 우리가 하는 일이 무엇인지 아십니까? 이제 우리가 하나의 유전자를 대체한다고 말합니다.
	다른 건강한 것으로, 하지만 실제로는 우리가 실제로 어떤 종류의 유전 물질을 옮기고 있는 것입니다. 아니면 우리가 일부 유전자를 추가하거나 수정하거나 실제로 비활성화할 수도 있습니다. 이것은 두 가지 방법으로 수행할 수 있으므로 다음과 같은 환자에게 적합합니다.
	특정 질병이 있는 것. 우리가 할 수 있는 것은 주입할 수 있다는 것입니다(그리고 저는 전달이라는 용어를 사용하겠습니다)
	그 건강한 유전자, 좋아요, 그래서 그 유전 물질...그 건강한 유전 물질이 환자에게로 들어갑니다.
	우리가 할 수 있는 또 다른 일은 혈액이나 골수를 채취하는 것입니다.
	환자로부터, 우리는 그 유전 물질을 삽입하고 환자에게 다시 전달할 수 있습니다. 알겠습니다. 그래서 생체 내 또는 시험관 내에서 수행할 수 있습니다. 이제 내가 우리라고 말할 때마다...
	일종의 건강한 유전자를 환자나 골수에 주입하려면 전달 방법이 필요합니다. 좋습니다. 우리는 그것을 차량이라고 부를 것입니다.
	우리는 종종 이것이 유전 물질을 환자에게 전달하는 수단이라고 말합니다. 이제 우리는 이것을
	벡터, 알았어. 우리는 이것을 벡터라고 부를 것입니다. 이것이 바로... 매우 독특한 기술을 가지고 있는 것입니다. 벡터가 바이러스인 경우가 많습니다.
	바이러스는 그 유전 물질을 세포에 삽입할 수 있습니다. 그렇다면 독특한 도전 과제는 무엇입니까? 글쎄, 하나는, 알다시피, 작동합니까? 그리고 두 번째는 안전한가요?
	바로...우리가 흔히 10억 달러의 문제라고 부르는 것은 이 유전 물질을 인체에 주입하면
	환자에게, 그들은 그것을 거부할 것입니까? 그들은 그것을 거부할 것입니까, 아니면 몸이 무슨 일이 일어나고 있다고 생각합니까?
	그리고 실제로 이 세포들을 죽이기 시작할 것입니다. 다른 정말 독특한 도전은 각 환자가 별도의 로트라는 것입니다.
	오른쪽. 제조에 대해 생각하고 개발에 대해 생각하고 물류에 대해 생각하십시오. 맞습니다. 유전자 요법, 이제 세포 요법과 어떻게 다릅니까? 그래서
	중복되는 부분이 많이 있지만 세포 치료의 관점에서 당신이 하고 있는 것은 세포를 삽입하는 것입니다. 좋습니다. 반드시 유전 물질은 아닙니다. 이제 이 세포는 유전자를 변형했을 수 있습니다.
	물질이지만 실제 세포를 채취하여 환자에게 삽입하여 이러한 질병을 치료하는 것입니다. 그래서 바로 지금, 이 세포들은 환자 자신에게서 나올 수 있습니다.
	맞습니다, 또는 그들이 할 수 있는 것은 그들이 기증자로부터 올 수 있다는 것입니다. 알겠습니다. 골수 이식이 그런 일을 할 때마다 건강한 기증자에게서 무언가를 채취하여 삽입하는 것이라고 생각하십시오.
	환자로, 맞아. 이제 이것들이 모두 시험관 내에서 이루어진다는 것을 이해하십시오. 여러분은 실제로 이 건강한 세포를 환자에게 주입하고 있습니다. 맞습니다.
	그리고 그럴 때마다 무엇을 하려고 합니까? 모든 종류의 누락된 세포를 교체하거나 실제로 교체하려고 합니다.
	병든 사람들, 알았어. 그래서 똑같은 것은, 우리가 이전에 이야기한 것과 동일한 고유한 문제를 알고 있다는 것입니다.
	다른 하나는, 이 두 가지 모두에 대한 또 다른 장벽은 이것이 매우 작은 규모의 제조이고 대규모로 수행될 수 없다는 것입니다. 그렇죠.
	이제 여러분은 조금 뒤에 알게 될 것입니다. 또는, 알다시피, 도전 과제 중 하나는 대규모로 이것을 수행하는 방법입니다. 어쩌다 우리...
	실험실에서뿐만 아니라 더 큰 규모로 이를 수행할 수 있습니다.
	맞습니다. 앞서 말했듯이 이것에 대한 장벽 중 하나는 효능과 안전성입니다. 그것이 주요 과제 중 하나입니다.
	또 다른 큰 문제는 이것입니다. 만약 여러분이 이것을 보고 있다면... 이것은 다른 환자나 다른 기증자에 대해 수행되어야 합니다. 당신은 어떻게 계산합니까
	기증자 간 변동성을 위해? 그리고 저는 약 1시간 전에 수업을 듣고 있었는데, 누군가가 똑같은 말을 하면서 말했습니다.
	알다시피, 우리는 세포 치료에서 기증자 간 변동성을 설명해야 하며, 이것이 우리가 진행하는 과정에서 보고 있는 변동성의 대부분을 설명합니다.
	오른쪽. 그리고 나서 그것에 대해 생각하십시오. 글쎄, 당신은 그것을 어떻게 설명합니까?
	아주 자주, 당신이 하게 될 일은 Heath, 나는 공정 특성화 연구를 하고 있고 아마도 우리는 한 기증자에 대해 이것을 해야 할 필요가 있다고 말할 것입니다. 그렇죠. 그래야 가능할지도....
	어떻게...그것이 가능할 수도 있지만 조금 후에 보게 될 것은 내가 상업적 제조 공정을 진행할 때마다
	기증자 간 변동성을 갖고 다른 기증자에게 내 프로세스를 더 강력하게 만들려고 합니까?
	그래서 대부분의 경우 우리는 이것을 하고 싶지 않습니다. 대부분의 경우 실현 가능하지 않으며 가능하더라도 하고 싶지 않습니다.
	그래서 우리가 할 일은 여러 기부자를 확보하는 것입니다. 그래서 바로 지금... 그래서 가장 큰 질문은... 우리가 오늘 대답하려고 하는 것입니다... 바로, 기증자 간 변동성을 설명할 수 있는 다양한 방법이 있다는 것입니다. ?
	그리고 즉시 실험 계획을 알고 있는 여러분 중 누구라도 염두에 두어야 할 것은 계속해서 이를 차단하자는 것입니다.
	그리고 다음 질문은... 고정 블록이어야 합니까 아니면 임의 블록이어야 합니까?
	그리고 그 효과는 무엇입니까? 과학자가 이것을 사용해야 하는... 다양한 응용 프로그램에 대해 이야기해 보겠습니다. 그리고 우리가 할 일은
	나는 연주할거야...나는 과학자를 연기할거야, 그렇지. Andrew는 과학자를 돕는 통계학자 역할을 할 것입니다. 알겠습니다. 그래서 그는 Andrew라는 이름으로 갈 것이고 저는 과학자 역할을 할 것입니다.
	도움이 필요합니다. 알겠습니다. 그래서 저는 Brady라는 이름으로 가겠습니다. 알겠습니다. 그리고 나서, 알다시피, 브래디는 도움이 필요한 과학자에게 무엇을 ...
	도움이 필요하십니까? 하나는 추론 및 공정 특성화 연구이며 Brady는 공정 능력을 추정해야 합니다. 이제 이것은 매우 중요합니다. 왜냐하면
	공정 밸리데이션과 상업적 제조에 들어가기 전에 우리 공정이 얼마나 능력이 있는지 이해해야 합니다. 그래서 우리는 전통적인 방법에 대해 이야기 할 것입니다.
	정상 작동 범위라고 하는 것을 소개하고 실제로 하고 있는 작업은
	항상 설정값이 되는 것은 아니며 설정값 주변에서 달라질 수 있습니다. 나도 뭔가 하고 보여줄게...
	검증된 허용 범위라고 하는 프로세스를 평가하거나 프로세스 기능을 평가하는 또 다른 방법을 보여줍니다. 만약 당신이 질문을 한다면, 모든 것이 그 설정점에 있다면 어떻게 될까요?
	그러나 하나의 변수는 변할 수 있습니다. 맞습니까? 귀하의 공정 능력은 어떻습니까? 마지막으로 우리는 가장 큰 도전 중 하나가 대규모 제조라고 이야기했습니다. 소규모 제조와 대규모 제조를 비교하려면 어떻게 해야 할까요? 그래서
	앤드류, 전에 말했듯이, 저는 도움이 필요한 과학자 브래디를 연기할 것입니다. 그리고 내가 당신에게 하고 싶은 것은 당신의 이메일을 열어 내가...내가 당신에게 보낸 데이터 세트를 보는 것입니다.
	그리고 제가...제가 보낸 데이터 세트에 대해 이야기할 수 있을까요? Andrew? 네 맞아요, 맞아요 맞아요. 앤드류, 이것이 내가 한 일입니다. 내 과정은...
	I 최적의 설계 및 공정 특성화를 수행했으며 시간, 온도 및 pH를 변경했습니다. 그리고 세포 생존력을 측정했고
	부산물. Andrew, JMP 데이터 테이블의 열 속성에서 이미 이 작업을 수행했음을 알 수 있습니다.
	그러나 세포 생존율을 보면 주변에 사양이 있습니다. 그리고 ... 거기에 대한 사양은 70에서 90 사이입니다. 알겠습니다. 지금
	Andrew, 우리는 일반적으로 세포 생존력을 최대화하고 싶지만 양면적인 공정 능력을 사람들에게 보여주고 싶습니다. 알겠습니다. 그래서 제가 세포 생존력이 이 양면성을 할 것이라고 말한 이유입니다.
	세포 생존력을 최대화하고 싶지 않습니까? 여기서 우리가 하고자 하는 것은 그들에게 양면적인 것을 보여주는 것입니다.
	좋아, 그리고 우리는 또한 ... 예, 우리가 간다 ... 글쎄 ??? 이는 35 미만으로 유지하려는 제품별입니다. 지금은 상품별로 넣습니다만, 생각해보면
	유전자 및 세포 치료 세계에서 이것은 엔도옥신과 같은 것일 수 있습니다. 우리는 퍼센트 내독성 또는 아마도 일종의 내독소를 최소화하기를 원합니다. 알겠습니다. 네, 맞습니다. 그게 바로... 거기에 데이터 세트가 있어요, 앤드류, 알겠습니다.
앤드류 칼	고마워, 브래디. 나는 또한 당신이 여기에서 모델 스크립트에서 첫 번째...첫 번째 패스를 보낸 것을 보았습니다.
	그리고 저는 그것을 살펴보고 있었습니다. 그리고 저는 당신이...당신이... 당신이 설계한...당신의 RSM에 대한 연구를 이 세 가지 요소에서 실행한 것을 보았습니다. 시간, 온도 및 pH가 있습니다.
	그리고 여기서 제가 알아차린 것은 제가 정말 많은 소음을 본다는 것입니다. 나는 이러한 요인들과 당신의 반응 사이에 많은 연관성이 있다고 보지 않습니다. 그리고 실제로 내가 켜면
	분산 분석 테이블,
	나는 아무것도 없다는 것을 알 수 있습니다 ... 여기에 많은 신호가 없으므로 많은 예측이 없으며 중요하지 않은 효과를 제거하여 역 선택으로 모델을 줄이려고해도
	난 그냥 아무것도 볼 수 없습니다. 그래서 내가 묻고 싶은 한 가지는 당신이 이것을 실행할 때 이 세 가지 요소와 함께 변화할 수 있는 다른 것이 있는지입니다....
히스 러싱	아냐 아냐 아냐 내가 다 통제했어
	내 과정. 이제 나는 당신에게 그 사실을 말하고 싶습니다 ...
	우리는 이것을 다른 기증자에 대해 실행해야 했습니다. 그래서 저는 할 수 없었습니다...한 기증자에 대해 24개의 실험을 모두 실행할 수는 없었습니다. 그래서 실제로 제가 해야 했던 일은 다른 기증자에 대해 실행해야 했습니다. 내가 다른 기부자에게 달려가도 그것이 실제로 문제가 될까요?
앤드류 칼	나는 지금 그것을 본다. 숨겨진 열입니다. 숨기도록 하겠습니다.
히스 러싱	네, 그냥...그냥...정말 제가 한 일입니다, 앤드류, 그 기증자는 우리 목적을 위해 녹음한 것이지만 어떻게 처리해야 할지 잘 몰랐습니다.
앤드류 칼	좋아요, 이것에 대해 간단히 살펴보겠습니다.
	그리고 이것을 모델에 포함시키도록 합시다.
	로...
	차단 효과로. 우와.
히스 러싱	그래서 조금 다르게 보입니다.
앤드류 칼	네, 그래서 제가 여기에서 모델 대화에 이것을 가져오기 위해 한 모든 것, 방금 생성 모델 효과 아래에 공여자를 추가했습니다. 그래서 여기에 추가 효과로 추가되었습니다. 이제 우리는 공여자가 세포 생존에 중요하다는 것을 알 수 있습니다. 이제 제품별로 살펴보겠습니다.
	그리고 기증자는 제품에 대해서도 정말 중요합니다. 그것이 중요할 뿐만 아니라, 그것을 포함하고 그 변동성을 설명할 때,
	이제 우리는 몇 가지 중요한 효과가 있음을 알았습니다. 부산물에 대한 최소한 하나는 pH입니다. 그리고 여기에 몇 가지... 몇 가지 중요한 효과가 있습니다.
	세포 생존력. 이제 이것을 만들 때 사용자 정의 디자인에 이것을 포함 시켰는지 압니까? 거기에 기증자 요소를 포함 시켰습니까?
히스 러싱	알다시피, 내가 했다. 우리가 처음 이 일을 시작할 때마다 저는 정말로 이해하지 못했습니다. 디자인에 포함시키지 않았습니다.
	당신이 이것을 기억하는지 모르겠지만, 그것은, 알다시피, 그것은 몇 달 전이었습니다.
	그리고 당신은 실제로 그것을 도왔습니다. 그래서 당신이 한 것은, 예, 거기에 있습니다.
	그것이 우리가 오래 전에 했던 일입니다. 나는 이것을 분석하는 방법을 정말로 이해하지 못했지만 다음과 같이 보입니다.
	우리가 그것을 미리 디자인하고 싶다는 것이 이치에 맞습니다. 라고 말씀해주신 기억이 납니다. 당신은 방금 말했다,
	이봐, 다른 무엇이 다를 수 있니? 그리고 저는, 물론, 우리는 기증자 간 변동성을 가질 것이라고 말했습니다. 그리고 당신은 말하길, 먼저 그것을 설계해 봅시다. 끝내자고 한다면...
	우리가 디자인에서 그것을 설명했는지 확인하기 위해 디자인은 당신이 가진 기증자 수와 기증자 당 얼마나 많은 런을 기반으로 할 수 있기 때문입니다.
앤드류 칼	좋아, 당신이 그렇게 했다는 것은 대단한 일입니다. 왜냐하면 그렇게 하면
	여기 모델, 이 RSM 및 이 기증자에 있는 이 세 가지 요소에 구축된 이러한 요소 사이의 앨리어싱 또는 혼동입니다. 예를 들어,
	기증자 중 한 사람과 함께 모든 높은 pH를 실행하고 다른 기증자와 함께 모든 낮은 pH를 실행하지 않을 것입니다. 이러한 요소는 전체에 걸쳐 균형을 이룰 것입니다. 대단하네요.
	여기에 몇 가지 다른 질문이 있습니다. 그래서 이 기증자들은, 당신의 과정을 진행하면서 이 네 명의 개인만을 기증자로 사용할 것입니까, 아니면 다른 기증자들을 여기에 오게 할 것입니까?
히스 러싱	맙소사, 아니. 저는, 알다시피, 그것은... 그래서 우리가 앞으로 나아가고 이것을 가져올 때... 이것들, 알다시피, 이 치료법은 환자에게,
	우리는 건강한 기증자를 엄청나게 많이 갖게 될 것입니다. 그렇죠. 제 말은... 그리고 저는 그들을 건강한 기증자라고 부를 것입니다. 왜냐하면 물론 우리는 이 세포를 환자에게 삽입할 것이기 때문입니다.
	그래서 당신은 그것이 단지, 당신도 알다시피, 그것이 제가 우리의... 우리의 세포 은행에서 선택한 4가지라는 것을 압니다. 그리고 제 생각에는 당신이 전에, 언제
	우리가 처음 이 일을 시작했을 때, 당신은...이것은 오래전 일이지만 당신은 당신이 말했듯이, 당신이 알다시피, 우리가 하는 그러한 여러 기증자가 있다면, 우리는 가지고 있지 않다
	많은 수의 기증자들이 있지만, 여러분이 알고 있는 기증자를 무작위로 선택하는 무언가를 해보세요. 여러분이 한... 그래서 우리는 무작위로 일부 기증자를 선택하고 4명의 기증자를 뽑았습니다.
	하지만 당신이 맞습니다. 앞으로 우리는 4명의 기증자를 가지지 않을 것이며, 저는 그 4명에 대해서만 결론을 내리고 싶지 않습니다. 저는 우리가 가질 수 있는 모든 기증자에 대해 결론을 내릴 수 있기를 원합니다. 앤드류.
앤드류 칼	괜찮아. 자, 여기서 우리가 고려하고 싶은 한 가지는 우리가 이것을 볼 때, 이것이 제가 방금 보여준 것입니다. 아시다시피 이것은...
	이것은 축소된 모델입니다.
	우리는 역방향 선택으로 중요하지 않은 효과를 제거했습니다. 기증자를 고정 효과로 포함하는 것보다 우리가 할 수 있는 또 다른 일은 무작위 효과로 포함시키는 것입니다. 그리고 우리가 그렇게 하고 싶은 이유
	여기에서 Graph Builder를 불러와서 보여드리겠습니다. 여기 세포 생존율과 부산물이 있습니다. 그래서 세포 생존율은 왼쪽에 있습니다.
	그리고 각각의 색상은 다른 기증자이며 이것은 실험 결과에서 나온 것입니다. 이제 고정 효과 모델이 진행 중입니다... 추정치만
	하나의 분산 구성 요소가 오류 또는 잔차 분산 구성 요소이므로 이러한 개별 분포 각각에서 볼 수 있습니다.
	그리고 그것은 그것이 일정하다고 가정하고 동일할 것이므로 그 추정치를 산출하기 위해 그것들을 함께 풀링할 것입니다.
	고정 효과를 사용하기 위해 각 분포의 평균을 사용하여 세포 생존율의 평균 이동이 있고 부산물의 평균 이동이 있다고 말합니다.
	그러나 고려하지 않은 것은 여기에서 볼 수 있는 이러한 분포 간의 변동성이 무엇인지입니다. 예를 들어, 녹색은 세포 생존 가능성을 위해 왼쪽에 있는 기증자 3의 경우 여기까지입니다.
	그런 다음 이 보라색이 오른쪽 끝까지 이어집니다. 그래서 당신이 받는 기증자들 사이에 이런 변동성이 있습니다. 그래서, 당신이 시도하는 경우
	신뢰 구간을 구축하거나 매개변수 추정치에 대한 표준 오차를 얻으려고 합니다.
	당신이 그것을 고려하지 않으면 거기에서 당신이 놓치고 있는 정보가 있습니다. 이것이 사용의 장점입니다... 이것들을 무작위 효과로 취급합니다.
	그리고 네 명의 기증자가 있기 때문에 여기에서 실현 가능한 것입니다. 기증자가 두 명뿐이라면 할 수 있는 일이 아닙니다.
	3은 당신이 할 수 있는 일의 경계에 있습니다. 왜냐하면 실제로 당신이 하고 있는 일은 기증자 전체에 걸쳐 단지 수에 대한 추가 변이체 구성요소를 추정하는 것이기 때문입니다. 이 경우 이제 추가 변형 구성 요소가 있습니다.
	샘플 크기는 기본적으로 4이므로 여기에서 실현 가능한 것입니다. 어떤 모습일지 살펴보겠습니다.
히스 러싱	앤드류, 질문해도 될까요? 한 번만 더 올려주실 수 있나요? 그 모습이..너무 좋아....
앤드류 칼	그래, 그래.
히스 러싱	이것에 대해 간단히 질문해도 될까요? 당신이 할 때마다...당신이 이것을 할 때마다, 그리고 나는 기증자 간 변동성을 고려하지 않았습니다. 그것은...무엇을 하고 있을까요? 내 말은, 그것은 하나의 큰 배포판처럼 되도록 그것들을 모두 합치는 것과 같습니까?
앤드류 칼	글쎄, 우리는 이것에 대해 더 잘 알게 될 것입니다. 제가 대답하겠습니다.
	우리가 진행하면서
	모니터 보고서는 둘 다이지만
	그것이 할 일은 앞으로의 예측을 위한 것입니다.
	고정된 효과적인 모델(여기서 십자선을 켜겠습니다)이므로 고정된 효과 모델은 이 4명의 기증자가 평균적으로 다음과 같이 말할 것입니다.
	80. 그리고 이것이 하려는 것은 이 너비가 무엇이든 사용할 것입니다. 표준을 계산할 수 있는 척
	이들 중 하나에 대한 편차는 개별적으로 80을 중심으로 하는 공여자 내 변동성을 사용하여 볼 수 있는 변이의 양으로 분포를 갖게 될 것입니다.
	무작위 효과 모델이 하려는 것은 다음과 같습니다. 추가 세포 생존 결과를 예측할 때...
	우리는 내부에서 샘플링할 뿐만 아니라 여기에 이러한 가변성 영역이 있습니까? 또한 우리는 무작위로 다음과 같은 모집단처럼 보이는 기증자를 선택할 것입니다.
	이 4명과 같은 인구에서 왔습니다. 그래서 평균은 실제로 80이 아닐 수도 있고, 평균은 여기 아래 75에 더 가까울 수도 있습니다.
	여기까지 82에 더 가깝고 변동성의 추가 소스가 구축될 위치입니다.
	반드시 평균에 대한 추정치가 아니라 신뢰 구간 및 예측 구간에 대한 변형 추정치가 추가 변동성을 반영하기 위해 더 넓어질 것입니다.
	그렇지 않으면 당신은 당신의 예측과 그 간격이 얼마나 넓은지 과신하게 될 것입니다.
히스 러싱	그리고 나는 놀라움을 좋아하지 않기 때문에 꽤 도움이 되었습니다.
앤드류 칼	네, 그럼 한번 살펴보시면 좋을 것 같습니다.
	그래서 이것들을 가져오겠습니다.
	여기 왼쪽에서 우리는 이미 이것을 살펴보았습니다. 여기에 포함된 기증자가 고정된 효과가 있는 곳입니다. 오른쪽에는 기증자가 포함되어 있습니다.
	랜덤 효과. 이제 내가 이것을 맞추기 위해 한 유일한 일은 일부 모델 대화 상자를 상기시키기 위해 여기에서 하는 모든 것을 무작위 효과로 변경하는 것입니다.
	그런 다음 이것을 실행합니다.
	자, 이것이 제가 여기 오른쪽에 있는 것입니다.
	그래서 강조할 몇 가지. 따라서 우선 기증자가 효과 요약에 더 이상 나열되지 않고 매개변수 추정치에도 표시되지 않는다는 것을 알 수 있습니다. 이는 이제 모델에 다르게 구축되었기 때문입니다. 더 이상 고정 효과가 아닙니다.
	몇 가지... 또 다른 사실은 예상과 실제에서 큰 차이가 있다는 것입니다. 따라서 이것은 고정 효과 모델에 대해 실제로 더 좋아 보입니다.
	언뜻 보기에 무작위 효과 모델보다
	우리는 이 수직 축이 둘 사이에서 동일하다는 것을 알 수 있고 훨씬 더 넓은 신뢰 구간을 볼 수 있습니다
	무작위 효과 모델을 사용하는 경우에는 다소 적절하지 않을 수 있습니다. 하지만 왜 그런 일이 일어나는지 알기 위해서는 조금 더 깊이 파고들 필요가 있습니다.
	그리고 그 예를 위해 여기 아래에 있는 부산물에 대한 예측 표현식을 살펴보겠습니다. 그리고 제품별로 이 두 가지 매개변수 추정치를 살펴보면,
	우리는 우리가 가지고 있음을 참조하십시오 ...
	따라서 pH는 우리의 유일한 중요한 효과이며 두 모델 모두에서 유의미한 효과이며 고정 효과 모델에서는 공여자를 더한 것입니다. 우리의 예측 표현에서 ...
	무작위의 경우...고정 효과 모델의 경우, 우리의 예측 표현식은 귀하가 보유하고 있는 기증자에 대한 조건부입니다. 따라서 예측 표현식을 작성하기 위해 pH 정보를 포함시킨 다음
	우리는 또한 어떤 기증자에 대한 정보를 가지고 있습니다. 우리는 여기에서 기증자를 통제하고 있습니다. 그리고 당신은 이것을 else=> 0으로 보게 될 것입니다. 그건 일종의
	휴리스틱 솔루션. 그것은 고정 효과 모델에 실제로 내장되어 있지는 않지만, 우리는 그것이 새로운 기증자라면 단지 그것이 0이라고 가정할 것이라고 말합니다. 기증자의 영향은 없습니다.
	그리고 새로운 기증자에 대한 일반화는 다시 고정 효과 모델에 실제로 내장되지 않았습니다. 무작위 효과 모델에 조금 더 내장되어 있습니다. 보시다시피, 이 경우에는 일종의 ...
	우리는 운 좋게도 고정 효과 모델과 랜덤 효과 모델 사이의 절편과 기울기 사이에서 매개변수 추정치가 동일하다는 것을 알게 되었습니다. 항상 그런 것은 아닙니다.
	주로 사용자 정의 디자인의 직교 디자인에 가까운 기능입니다.
	하지만 여기에 플러스 기부자에 대한 정보는 없습니다.
	랜덤 효과 모델의 오른쪽에 있는 이것은 혼합 모델이기 때문에 한계 모델이라고 합니다. 즉, 이것은 기증자에 대한 평균 응답을 제공합니다.
	반면 이 고정 효과 모델의 왼쪽에는 이러한 각각에 대해 조건을 지정하는 조건 모델이 있습니다.
	기증자. 따라서 여기 혼합 모델에 대한 예측 프로파일러에서 조건부 예측을 선택한 경우 실제로 볼 수 있습니다.
	이제 우리는 우리가 가진 것을 볼 수 있습니다 ...
	이것들은 이제 우리가 왼쪽에서 보는 것과 비교적 유사하며, 또한 그것이 도움이 되는 것은 의존성을 볼 수 있다는 것입니다.
	지금 기증자에. 이것은...이것이 각 기증자 내의 반응 표면입니다.
	이것은 고정 효과 모델에 대한 예측 프로파일러에 숨겨져 있지만 혼란스러울 수 있습니다.
	숨겨진 이유는 그것이 차단 요인이고 예측 프로파일러에 자동으로 표시되지 않기 때문입니다. 그러나 재설정 요인 그리드를 사용하여 이를 켤 수 있습니다.
	기증자를 보여줄 수 있고 이제 이 응답이 이 기증자에게 어떻게 의존하는지 알 수 있습니다. 이제 우리의 추론이 이러한 기증자 너머로 일반화되기를 원한다면,
	여기에서 혼합 모델의 이점이 나타납니다. 이제 우리는 개별 기증자에 대한 이러한 종속성을 갖는 대신 기증자에 대해 평균을 내고 있기 때문입니다. 그리고 내가 당신에게 보여주고 싶은 마지막 것은
	다시 당신에게 돌려주세요, Brady, 왜 이것이 사람들에게 훨씬 더 나빠 보이는지 설명할 수 없습니다.
	실제 내가 고정 효과 모델에 대해 예측했습니까? 그리고 이것은 기부자들을 통제할 수 있는 이점이 있기 때문입니다.
	여기에서 이러한 예측 표현식을 사용합니다. 그래서 그 소음을 제거한 반면, 이것은 기부자를 통제하지 않고 내가 예측한 실제를 제공합니다. JMP Pro가 있는 경우 다음을 살펴볼 수 있습니다.
	같은 모델.
	표준 최소 제곱 대신 혼합 모델로 전환하면 이 두 플롯을 모두 제공합니다.
	표준 최소제곱. 하지만 무대 뒤에서 당신이 그것들을 통제한다면
	임의 효과...임의 효과 예측, 그러면 기본적으로 적합...고정 효과 모델과 동일한 결과를 얻습니다. 따라서 고정 효과 모델이 더 낫다는 것이 아니라, 이 둘 사이의 조건부 모델 대 한계 모델이 보여주는 것뿐입니다.
히스 러싱	괜찮아.
	두 가지를 살펴보겠습니다. 첫 번째, 고정 블록의 재설정 요소 그리드를 보여주셔서 감사합니다. 판단은 하지마세요 하지만 난 그냥...난 그냥
	그냥 과학자일 뿐입니다. 저는 JMP...JMP 전문가가 아니어서 JMP가 있는지조차 몰랐습니다. 정말 대단합니다.
	두 번째는 이 접근 방식이 정말 마음에 든다는 것입니다. 나는 이것을 무작위로 사용하는 것을 정말로 좋아합니다 ??? 효과 및 제 생각에는 특히 제가 다음에 해야 할 일에 대해 의미가 있다고 생각합니다. 실제로 제가 다음에 해야 할 일은 프로세스 능력을 평가해야 한다는 것입니다.
	그리고, 정말로 알고 싶은 것은...
	는 이 두 가지 모두에 해당됩니다. 맞아요, 우리는 그들 주위에 사양을 가지고 있습니다.
	내가 앞으로 나아가면서 내 제조 시설을 제공해야 하고 내 시설은 공정 능력 측면에서 기대하는 것입니다. 사양에서 몇 퍼센트, CPK, 그런 것. 저 좀 도와주시겠어요?
앤드류 칼	예, 이미 로드된 열 속성으로 사양 제한에 대한 사양을 입력하는 것이 좋습니다. 이제 우리는 그것을 얻었습니다 ...
	그 정보, 그래서 이제 앞으로, 우리는 우리가...이 과정을 반복함에 따라 더 많은 기증자를 갖게 되며, 다른 요인 설정에 있을 때 이러한 새로운 관찰의 몇 퍼센트가 사양 제한을 벗어났습니까?
	그래서 우리는 예측 프로파일러로 이동하고 여기에서 시뮬레이터를 사용하여 도움을 줄 것입니다. 그리고
	제가 언급하고 싶은 것... 더 일찍 말씀드렸어야 했는데, 이 추가... 신뢰 구간의 추가 폭은 다시 말하지만, 공여자를 통제하기 때문에 여기가 더 작다는 사실에서 비롯됩니다.
	그러나 이 추가 변동성은 어디에서 오는 것입니까?
	그리고 그것은 여기 이 REML 테이블에서 옵니다. 그래서 이제 우리는 두 개의 분산 성분을 얻습니다. 앞서 언급했듯이 이것은...우리는 여기서 잔차 분산이라고 하는 오차 분산을 얻습니다.
	그리고 우리는 또한 분산, 기증자 간 변동성을 얻습니다. 그리고 부산물에 대한 이 경우 변동성의 93%가 기증자 대 기증자입니다. 그게 들리나요?
히스 러싱	그래, 그래. 그리고 정말, 알다시피, 내가 전에 말했듯이... 그 전에, 당신도 알다시피, 나는 이런 대화를 했습니다.
	제가 방금 말했듯이, 당신이 저에게 물을 때마다, 우리가 차단해야 할 다른 것을 사용할 건가요? 그리고 저는 우리가...많은 기증자를 보게 될 것이라고 말했습니다. 기증자의 다양성, 그래서 그것은 전혀 놀랍지 않습니다.
앤드류 칼	자, 여기서 제가 지적하고자 하는 한 가지는 고정 효과 모델에 약간 숨겨져 있지만 여기에서 오류 변동성을 확인하려면 ANOVA 표를 볼 수 있습니다.
	평균 제곱 오차를 보면 오차 변동성, 잔차 변동성이므로 부산물에 대해 .8477입니다.
	그리고 여기에서 혼합 모델의 부산물을 보면 .847이 표시됩니다. 알겠습니다. 그리고 그것들은 그게 아닙니다... 그래서 그것들이 가까운 이유는 그것이 두 모델의 잔차 변동성이기 때문입니다
	두 모델에서 기본적으로 동일한 수량을 추정합니다. 그러나 ...이 모델, 혼합 모델은 기증자에 대한 추가 분산 구성 요소를 제공하며 이는 이 프로세스 특성에 대해 도움이 될 것입니다...이를 위해
	당신이 묻는 능력 분석. 그럼 아래로 내려가서 살펴보도록 하겠습니다. 그렇다면 어떻게... 우리는
	고정 효과 모델?
	글쎄요, 우리는 다시...당신이 다른 기증자를 얻게 될 것이라는 것을 압니다. 그래서 당신의 가치가 바뀔 수 있습니다. 따라서 시뮬레이터를 켜면 여기에서 유일한 옵션입니다.
	그리고 당신이 한 명 이상...몇 명 이상의 기증자가 있다면 그것은 끔찍한 근사치가 아닙니다. 하지만 이것을 살펴봅시다. 무작위 노이즈 추가를 켜고 여기서 이것을 볼 것입니다.
	이 값은 MSE의 제곱근에서 가져온 것이므로 이것이 분산이므로 이 .8477의 제곱근은 오류 변동성에 대한 표준 편차가 됩니다.
	REML 테이블에서도 기본적으로 켜져 있지 않지만 마우스 오른쪽 버튼을 클릭하고 열 제곱근 분산 구성 요소를 켜면 여기에서 볼 수 있습니다.
히스 러싱	또 다른 트릭. 고맙습니다.
앤드류 칼	응.
	그래서 .92, 그리고 그것은 동일합니다...이것이 이 .92에서 나온 것입니다. 따라서 모델에서 이미 감지한 오류 가변성을 포함합니다.
	지금 시뮬레이션을 해보면
	이제 우리는 이 좁은 범위를 얻었지만 이것은 기증자 1, 기증자 2에 대해 시뮬레이션되었으며 평균이 위쪽으로 이동하여 평균이 이동하는 방법을 볼 수 있습니다.
	기증자 4. 여기보다 작은 Donor 3로 이동하면 아래로 이동합니다.
	그래서 거기에 접근하기 위해 할 수 있는 한 가지는 기증자를 무작위로 설정할 수 있다는 것입니다. 그것은 여러분이 가지고 있는 이용 가능한 기증자에 대한 일종의 부트스트랩입니다. 이제 우리의 표준 편차가 2에서 3이 되는 것을 볼 수 있습니다.
	여기에서 혼합 모델을 살펴보고 기증자 무작위 효과가 있으므로 잔차 변동성뿐만 아니라 전체 변동성이 있습니다.
	기증자를 포함한 변동성. 약 3.5입니다. 하지만 그렇게 하면 인위적으로 울퉁불퉁한 시뮬레이션 분포를 얻게 되며 이는 여기에 기증자가 4명뿐인 결과입니다. 그래서
	최선의 접근 방식은 아니지만 고정 효과 모델로 할 수 있는 최선의 방법입니다.
	또한 너무 자세히 설명하지 않고 지적할 것입니다. 여기에 기증자 견적이 있습니다.
	고정 효과 모델의 결과는 혼합 모델의 이러한 무작위 효과 예측과 매우 유사합니다. 차이점은 혼합 모델의 초과가 이 분산 비율을 기반으로 적절하게 축소된다는 것입니다. 라고 합니다
	이 추정치의 속성을 축소하면 더 나은 예측, 기증자 변동성에 대한 더 나은 추정치를 얻을 수 있습니다.
	당신의 기증자 효과. 그래서 더 많이 다루지는 않겠지만 그것들은 꽤 비슷하지만 약간의 차이가 있다는 점을 지적하고 싶습니다. 여러분이 직접 살펴봐야 할 경우를 대비해서입니다.
	하지만 이제 여기에서 무작위 도너 효과가 있는 모델에서 이 작업을 수행하는 방법은 시뮬레이터를 켤 수 있다는 것입니다.
히스 러싱	괜찮아.
앤드류 칼	올바른 방법을 보여드리기 전에 주의할 점은 여기에서 조건부 예측을 켜고 노이즈를 추가하려고 하면
	그리고 이제 노이즈는 다음으로 설정됩니다. 여기에서 고정 모델에서 본 것과 매우 유사하지만 현재 잔차 변동성을 포함하여 바로 지금입니다.
	하지만 이 조건부 프로파일러로 하려고 하면....
	그래서 저는... 공여자 3으로 변경합니다. 공여자를 변경한 경우 주의하십시오. 이것은 위아래로 이동하지 않으므로 하지 마십시오... 거기에서 동일한 효과를 시도하지 마십시오. 여기에 조건부 예측과 시뮬레이터와 함께 무슨 일이 일어나고 있습니다. 그래서
	조건부 예측을 위해 시뮬레이션하지 마십시오. 우리는 에서 시뮬레이션하고 싶습니다 ...
	기본적으로 해당 옵션이 꺼져 있습니다.
	그러나 이제 더 넓은 신뢰 구간에 비해 여기에 이런 종류의 좁은 분포가 있음을 알 수 있습니다.
	그리고 그 이유는 이 기본 표준 편차가 우리가 사용하려는 올바른 것이 아니기 때문입니다. 우리는 ... 여기 REML 테이블로 올라가서 사용하고 싶습니다. 그리고 우리는 기증자 내에서의 변동성을 원하지 않고 전체 변동성을 원합니다.
	따라서 총 변동성 표준 편차는 3.53입니다.
히스 러싱	괜찮아.
앤드류 칼	제품별이므로 해당 REML 테이블을 사용하여 변경하려고 합니다.
	그리고 제가 컨트롤을 안해서 미리 방송을 해서 추가합니다
	다시 제곱근 분산 성분; 여기까지야, 3.16.
	그리고 이제 내가 그렇게 하고 시뮬레이션할 때, 당신은 볼 수 있습니다
	이 더 넓은 분포를 얻습니다.
	네, 어느 것입니까
	동일한 인구의 추가 기증자와 함께 앞으로 보게 될 것을 더 잘 반영하고 결함률에 대한...더 나은 추정치를 제공합니다.
	이제 이것을 여기 보이는 것과 비교할 수 있습니다. 이 울퉁불퉁한 분포, 인위적으로 울퉁불퉁한 분포
	고정 모델에서. 이제 1,000명의 기증자가 있다면 예산이 충분하지 않을 것입니다. 하지만 그렇게 했다면 이러한 분포는 서로 근사할 것이고 표준 편차가 너무 멀리 떨어져 있지 않다는 것을 알 수 있습니다. 둘 다 3.1과 3.5에 가까워지고 있습니다.
히스 러싱	네, 제 생각에는... 무작위 효과 모델이 우리가 실제로 기대하는 것이라고 생각합니다.
	네, 우리가 기대하는 바에 관한 것입니다. 특히 많은 수의 기증자가 있는 경우에 그렇습니다. 좋아, 좋아.
앤드류 칼	그리고 나는 이제 당신이 이것들을 가지고 있다는 것을 알아차렸습니다. 이것들은 모두 수정되었습니다. 능력 분석을 위해 그렇게 하고 싶습니까?
	보시다시피, 기증자로부터의 변동성과 오류 변동성 만 얻었습니다. 그런 다음이를 수정 했습니까?
히스 러싱	그것이 우리가 전통적으로 하는 방식입니다... 우리가 해냈습니다. 그러나 제가 언급하고 싶은 두 가지가 있습니다.
	하나는 정상 작동 범위라고 하며 이에 대한 예가 있는지 살펴보겠습니다. 근데 진짜 정상작동범위가 이 정도...
	시간과 같은 것을 본다면, 알았지? 시간은 우리가 고칠 수 있는 것입니다. 5.5에서 수정하고 싶다고 가정해 봅시다. 5.5를 넣으면 5.5시간에서 멈춥니다.
	그러나 온도와 pH는 그렇지 않습니다. 예를 들어 온도를 다음과 같이 설정하면
	어떤 27.45 또는 어떤 설정점에서, 하지만 그것이 할 일은 ??? 능력,
	아니면 그냥 생물제약입니다. 그래서, 예를 들어, 온도는 고정되지 않을 것입니다. 그래서 우리의 공정 능력의 관점에서 그것을 설명할 수 있습니까?
	정상 작동 범위
	???
앤드류 칼	좋습니다. 역사적으로 얼마나 차이가 나는지 아십니까? 무엇이 표준이 될 수 있습니까? JMP에서 우리가 할 수 있는 것은 고정된 랜덤을 위해 이것을 앉힐 수 있기 때문입니다.
	그리고 우리는 괜찮다고 말할 수 있습니다.
	27.45.
	그리고 아이디어가 있다면 pH에 대해서도 그렇게 할 수 있습니다. 그리고 그것이 무엇인지 알고 있다면... 표준 편차가 얼마나 합리적인지, 얼마나 다양한지 알 수 있습니다.
히스 러싱	네 알겠습니다. 저는 과거에 우리가 했던 몇 가지 일에 대한 데이터 분석을 했습니다. 그리고, 알다시피, 저는 여러분이 그런 것을 본다면 분포처럼 보입니다. 저는 95 % 시간의.
	보자, 젠장, 그 사이에 있어야 합니다. 플러스 또는 마이너스 1입니다. 그래서 표준 편차는 0.5가 될 것입니다.
	임시를 위해. 좋아요, 그리고 pH의 경우... pH의 경우 6.54로 설정하면 그 사이가 될 것이고, 6.5를 보내면 아마도 비슷할 것입니다.
	알잖아,
	표준 편차는 .1이 될 것입니다. 알겠습니다.
	그리고 제 생각에 우리의 설정점은...
	온도에 대한 설정 포인트는 무엇입니까? 그것은 온도 27.45와 6.54에 대한 것이었습니까?
	6.5, 6.5라고 생각합니다.
히스 러싱	보자...
히스 러싱	20...네 6.5. 온도는 6.5이고 온도는 27.5입니다. 그게 될 것입니다. 우리는 거기에 갈. 네, 네, 네. 그것이 바로 내가 말하는 것입니다, 앤드류. 이를 정상 작동 범위라고 하며 공정 능력 추정 측면에서 이를 설명하고자 합니다.
앤드류 칼	자, 이제 그 설정을 활성화하고 기증자에 대한 이 전체 변동성과 오류 변동성을 갖게 되었습니다.
	이제... 시뮬레이션할 때 추가 변동성을 얻습니다.
	이는 요인의 가변성으로 인해 발생하며 결함률에 반영된 것을 볼 수 있습니다.
	그리고 또한,
히스 러싱	여기서도 지적하고 싶은 것은,
앤드류 칼	실행하는 데 그리 오랜 시간이 걸리지 않기 때문에 실행 횟수를 늘릴 수도 있습니다.
	더 나은 견적을 얻으려면. 또한 여기에서 시뮬레이션을 통해 더 부드러운 분포를 얻는 방법을 확인할 수 있습니다.
	그런 다음 이 값을 표에 시뮬레이션할 수 있습니다. 이제 각 시뮬레이션에 대해 다른 행을 얻을 수 있으며 해당 시뮬레이터 설정에서 예측된 세포 생존 가능성과 부산물을 볼 수 있으며 다음을 사용하여 추가 분석을 수행할 수 있습니다. 이것,
히스 러싱	예, 그러면 다음과 같은 것을 얻을 수 있습니다.
	CPK 맞죠? 그런 식으로 하면 그런 식으로 CPK 추정치를 얻을 수 있습니까?
앤드류 칼	예, 예, 당신은 그것을 함께 얻을 수 있습니다.
히스 러싱	좋아, 굉장해. 자, 그래서 그것이 첫 번째 일이 었습니다. 정상 작동 범위를 설명하는 방법이지만 한 가지 더 있습니다 ??? 내가 다루고자 하는 프로세스 능력. 알다시피, 필요하지 않습니다
	그러나, 우리는 입증된 허용 범위라고 하는 것을 살펴보고 싶습니다. 그리고 이것이 입증된 허용 범위입니다.
	설정 포인트에서 온도와 pH를 말하고 변화를 허용하지 않으면
	하지만 낮은 설정과 높은 설정 사이에서 시간이 달라질 수 있도록 하며, 이 설정과 비교하여 낮을 수도 있습니다.
	높은 설정, 예상되는 공정 능력은 무엇입니까? 그리고 실제로 우리가 하고 있는 것은 이 중 2개가 설정값이고 그 중 하나가 변한다면 허용 가능한 공정 능력을 알고 있다는 것을 증명하려는 것입니다. 그럼 어떻게 해결할까요?
앤드류 칼	좋아, 당신이 말했듯이, 시간과...온도와 pH는 그들의 설정점에 있습니다.
히스 러싱	맞습니다.
앤드류 칼	그리고 시간에 따라 다를 수 있습니다.
	그래서 우리가 할 일은 정상이라고 말하는 대신 균일하게 설정하는 것입니다.
	그리고 이것들은 지금 실험에서 1.9에서 9.1까지의 낮은 설정과 높은 설정입니다.
	필요에 따라 변경할 수도 있지만...
	내 말 잘 들었어? 뭔데...
히스 러싱	그렇구나...그랬구나...
	그것이 바로 그것입니다. 그래서 만약 내가... 만약 내가 그런 일을 했다면... 그리고 정말로, 정말로...
	이 경우 변경할 수 있습니까? 우리가 실험에서 말한 것이라고 말할 수도 있지만, 2에서 9 사이의 입증된 허용 범위가 있는지 확인하고 싶습니다. 제 말은, 제가...어떤 식으로든 변경할 수 있습니까?
	네, 할 수 있습니다. 알았어 나도 몰라.
	예, 이를 변경하고 심지어 시뮬레이션할 수 있습니다. 이를 입증된 허용 범위라고 합니다. 알겠습니다.
	우리가 그 두 가지를 고칠 곳입니다. 그래서 우리가 무엇을 할 것인지, 당신이 이것을 보여줘서 고맙지만, 자기야, 그리고 나는 이것을 스스로 시도할 것입니다. 시간을 위해 그리고 나는 온도를 위해 그것을 할 것이고 나는 할 것입니다
	pH에 대한 것입니다. 그리고 우리가 수용 가능한 공정 능력을 가지고 있는지 확인하기 위해서입니다.
앤드류 칼	좋아요, 좋은 점은 여기에서 하기가 정말 쉽습니다.
히스 러싱	하나만 더 보여주시겠어요? 그냥, 그래, 가서 25와 30 사이, 교복은 25와 30 사이에서 해라. 25와 30. 알겠습니다. 테이블에 시뮬레이션할 수 있습니까?
	표를 만들고 살펴보기만 하면...난...그냥 세포 생존율 분포와 제품별을 보는 것이 아닙니다.
	아 맞다. 그것은 당신에게 그 프로세스 능력을 제공합니다. 나는 그것을 좋아한다.
앤드류 칼	저장한 작업에 투입되기 때문에
	해당 사양 제한에 대한 열 속성입니다.
히스 러싱	그건...너무 쉽습니다. 알겠습니다. 감사합니다. 내 생각에 내가 당신에게 묻고 싶었던 유일한 것은...당신에게 다른 데이터 세트도 보냈습니다
	우리가 보고 있는 곳,
	알다시피, 비교 가능성에서 크고 작은 비교를 하는 것입니다. 그리고 나서 우리가 비교 가능성으로 하려고 하는 것은
	즉, 소규모로 실행한 것도 있고 대규모로 실행한 것도 있고 내 CQA(?)의 경우 두 항목이 정확히 같지는 않지만 그 범위 내에 있다는 것을 보여주고 싶습니다. 알다시피, 일종의 ...
	어떤 종류의 한계, 좋습니다, 어떤 종류의 실용적인 중요성, 그리고 그것은 비교 가능성과 동등하다고 불립니다. 그것이 무엇인지 당신이 알고 있다는 것을 압니다. 하지만 거기에서 기증자 간 변동성을 어떻게 설명할 수 있을까요?
앤드류 칼	그래, 그리고 나는 그것을 보았다. 그리고 저도 그렇게 봤는데...
	우선, 이전 데이터 세트에서 본 것처럼 기증자 정보를 포함하지 않으면 어떻게 되는지 봅시다.
	좋아, 그래서 당신은 세포 생존 가능성에 대해 EAC 등가물, 기준 2를 사용하고 있다고 언급했습니다.
	그리고 여기서 우리가 보는 것은
	최대 P 값은... 귀무 가설을 기각하지 않는다는 것입니다. 이 경우에는 동등성을 감지하지 못한다는 의미입니다.
	여기에서 이것이 실제로 동등한 프로세스라고 생각하는 우리의 기대와 일치하지 않습니다.
	그래서 일어나고 있는 일은 이것이...그 정보가 기증자들의 소음 속에서 사라지고 있다는 것입니다.
	그리고 마치....
히스 러싱	내가 볼 때마다 ... 그냥 스크롤을 위로 올리십시오.
	두 번째, 잠시만...알겠습니다. 내가 볼. 나는 그 차이를 보여주는 그래프에서 나를 보여주는 그 지점을 봅니다.
	음수 .49
	그래프를 보니 너무 크지는 않지만 정말 넓어 보입니다.
	괜찮아.
앤드류 칼	이는 신뢰 구간의 너비에 대한 추정치에 추가 변동성이 있기 때문입니다.
	차단을 기억하면... 추정치에서 변동성을 제거할 수 있기 때문입니다.
	계정...
히스 러싱	괜찮아.
앤드류 칼	이것이 바로 여기서 진행되는 일입니다. 따라서 이 두 경우 모두 대규모 및 소규모 규모 간의 동등성을 감지하지 못하고 있습니다.
	세포 생존 가능성이나 부산물을 위해. 그리고 여기 이 보고서에 많은 내용이 있음을 알 수 있습니다. 이것을 설정하려면 많은 작업이 필요하며 여기에서 한 가지를 더 보여준 후에 보여드리겠습니다. 이제 보여주고 싶은 것은 기증자 효과를 무작위 효과로 포함했다는 것입니다.
	이제 당신은 볼 수 있습니다
	작은 P 값으로 거부합니다. 즉, 이제 실제로 다음과 같은 결론을 내리고 있습니다. 세포 생존 가능성에 대한 EAC가 2이고 현재 최대 P 값에 대해 주어진 동등성
히스 러싱	셋.
앤드류 칼	EAC의 경우 세 가지
	제품별. 그리고 우리가 이것을 설정하는 방법은, 당신이 가야한다는 것을 알고 있기 때문에 이것을 보여 드리겠습니다.
	규모가 있고 일단 세포 생존 능력을 측정하겠습니다. 이것이 우리가 기증자 효과 없이 테스트를 설정하는 방법이지만 기증자를 추가하면 이제 무작위 효과로 저장할 수 있습니다.
	모델을 실행합니다.
	그리고 우리는 견적, 다중 비교로 이동합니다.
	모두 쌍으로. 학생 T. OK 그럼 여기서부터
	동등성 테스트.
	예, EAC 2를 사용하십시오.
히스 러싱	응.
	그런 다음 해당 신뢰 구간에서 두 개의 P 값과 같은 값까지 보여줍니다.
	또한 신뢰 구간에서 보여줍니다.
	내 좋은 친구, 크리스? 그의 박사 과정에서 간격을 연구했기 때문에 그와 나는 그것을 정말 좋아합니다...
	사랑의 간격. 그는 우리가 스키를 탈 때 항상 그것에 대해 이야기하지만, 그것이 하한 및 상한 95% 신뢰 구간이 말하는 바이기도 합니다.
	그래 그게 다야
앤드류 칼	ㅋㅋ 그리고.
	우리에 대한 마지막 요점은 아마도 이전에 무작위 효과의 이점과 기증자에 대한 고정 효과의 이점에 대해 이야기했습니다.
	동등성 테스트가 아니라 매개변수에 대한 테스트일 뿐입니다. JMP Pro를 사용하여 검정력 분석을 작성했습니다. JMP Pro에서 혼합 모델을 구축하면
	혼합된 성격 아래에 저장이라는 멋진 기능이 있습니다. 열 저장 시뮬레이션 공식이 있습니다. 이제 이...
	여기로 들어가면 혼합 모델을 매우 쉽게 시뮬레이션할 수 있습니다. 이동하여 설정을 변경할 수 있습니다.
	그래서 저는 그렇게 했습니다. 그래서 혼합 모델에서 시뮬레이션한 후 어느 것이 더 나은지 알아보기 위해 검정력 분석을 실행했습니다. 기증자를 고정 또는 무작위 효과로 처리하고 적어도 제가 실행한 경우에는 여기 상자에서 볼 수 있는 더 높은 전력을 얻고 있었습니다. 나는 ~의 힘을 가졌다
	동일한 테스트에서 무작위 기증자 효과에 대한 .62 대 .52에 대한 ...
	고정 효과를 위해. 그리고 둘 다 그에 대한 명목상의 오류율을 유지하고 있었기 때문에 내가 조사하기 시작한 것이지만 동등성 테스트 내에서 기증자 효과를 무작위로 처리하는 것도 이점이 있는 것 같습니다.
히스 러싱	네, 제 생각에는 Andrew, 우리가 앞으로 나아가면서
	알다시피, 우리는 항상 세포 치료를 받고 있기 때문에 항상 기증자 대 기증자 효과를 가질 것이라고 생각합니다. 가장 확실히 이것은 우리가 그것을 무작위 블록 효과로 보는 것이 합리적이라고 확신했습니다.
	그래서 우리는 여러분이 매우 중요한 두 가지인 공정 능력과 비교 가능성을 모두 살펴보는 응용 프로그램을 즐겼기를 바랍니다.
	제약 및 바이오 제약 분야의 과학자 및 엔지니어를 위한 것입니다. 우리가 이야기한 매우 구체적인 응용 프로그램은
	우리가 현재 유전자 및 세포 치료법이라고 하는 치료법을 개발하고 있는 혁신적인 방법입니다.
	추론 프로세스 기능과 비교 가능성을 모두 처리할 수 있는 방법을 보여줌으로써 가치를 제공했습니다. 그리고 우리는 이것을 다시 발표하고 당신이 가질 수 있는 질문에 답하기 위해 회의에서 당신을 뵙기를 고대합니다.
앤드류 칼	고마워, 브래디, 고마워. 당신의 성을 찾지 못했습니다, 브래디. 그게 뭐였더라.
	브래디 브래디.
	브래디.
히스 러싱	알겠습니다. 제 이름은 브래디이고 성은 브래디입니다.
앤드류 칼	괜찮아.
히스 러싱	좋아 예 예 예 당신에게 예 예 예.
앤드류 칼	고마워, 앤드류. 감사합니다. 네, 함께해주셔서 감사합니다.

브레이크아웃암사슴품질 및 신뢰성Re: Biopharmaceuticals' New Frontier: JMP에서 유전자/세포 치료를 위한 환자/공여자 가변성 모델링(2021-US-30MP-887)

멋진 프레젠테이션. 빠르게 성장하는 산업이자 매우 중요한 산업인 세포 및 유전자 치료의 일부 문제를 이해하는 데 정말 유용합니다.

확실히 당신은 클라이언트를 위해 더 믿을 만한 이름을 생각해낼 수 있었습니다.